Kompleksitas Algoritma

Transkripsi

1 Kompleksitas Algoritma Bahan Kuliah IF2120 Matematika Disktit Rinaldi M/IF2120 Matdis 1

2 Rinaldi M/IF2120 Matdis 2

3 Pendahuluan Sebuah masalah dapat mempunyai banyak algoritma penyelesaian. Contoh: masalah pengurutan (sort), ada puluhan algoritma pengurutan Sebuah algoritma tidak saja harus benar, tetapi juga harus mangkus (efisien). Algoritma yang bagus adalah algoritma yang mangkus (efficient). Kemangkusan algoritma diukur dari waktu (time) eksekusi algoritma dan kebutuhan ruang (space) memori. Rinaldi M/IF2120 Matdis 3

4 Algoritma yang mangkus ialah algoritma yang meminimumkan kebutuhan waktu dan ruang. Kebutuhan waktu dan ruang suatu algoritma bergantung pada ukuran masukan (n), yang menyatakan jumlah data yang diproses. Kemangkusan algoritma dapat digunakan untuk menilai algoritma yang bagus dari sejumlah algoritma penyelesaian masalah. Rinaldi M/IF2120 Matdis 4

5 Mengapa kita memerlukan algoritma yang mangkus? Lihat grafik di bawah ini x 2 n Waktu komputasi (dalam detik) hari 1 jam 1 detik 1 menit 10-6 x 2 n 10-4 x n x n Ukuran masukan Rinaldi M/IF2120 Matdis 5

6 Model Perhitungan Kebutuhan Waktu Menghitung kebutuhan waktu algoritma dengan mengukur waktu sesungguhnya (dalam satuan detik) ketika algoritma dieksekusi oleh komputer bukan cara yang tepat. Alasan: 1. Setiap komputer dengan arsitektur berbeda mempunyai bahasa mesin yang berbeda waktu setiap operasi antara satu komputer dengan komputer lain tidak sama. 2. Compiler bahasa pemrograman yang berbeda menghasilkan kode mesin yang berbeda waktu setiap operasi antara compiler dengan compiler lain tidak sama. Rinaldi M/IF2120 Matdis 6

7 Model abstrak pengukuran waktu/ruang harus independen dari pertimbangan mesin dan compiler apapun. Besaran yang dipakai untuk menerangkan model abstrak pengukuran waktu/ruang ini adalah kompleksitas algoritma. Ada dua macam kompleksitas algoritma, yaitu: kompleksitas waktu dan kompleksitas ruang. Rinaldi M/IF2120 Matdis 7

8 Kompleksitas waktu, T(n), diukur dari jumlah tahapan komputasi yang dibutuhkan untuk menjalankan algoritma sebagai fungsi dari ukuran masukan n. Kompleksitas ruang, S(n), diukur dari memori yang digunakan oleh struktur data yang terdapat di dalam algoritma sebagai fungsi dari ukuran masukan n. Dengan menggunakan besaran kompleksitas waktu/ruang algoritma, kita dapat menentukan laju peningkatan waktu (ruang) yang diperlukan algoritma dengan meningkatnya ukuran masukan n. Rinaldi M/IF2120 Matdis 8

9 Ukuran masukan (n): jumlah data yang diproses oleh sebuah algoritma. Contoh: algoritma pengurutan 1000 elemen larik, maka n = Contoh: algoritma TSP pada sebuah graf lengkap dengan 100 simpul, maka n = 100. Contoh: algoritma perkalian 2 buah matriks berukuran 50 x 50, maka n = 50. Dalam praktek perhitungan kompleksitas, ukuran masukan dinyatakan sebagai variabel n saja. Rinaldi M/IF2120 Matdis 9

10 Kompleksitas Waktu Jumlah tahapan komputasi dihitung dari berapa kali suatu operasi dilaksanakan di dalam sebuah algoritma sebagai fungsi ukuran masukan (n).. Di dalam sebuah algoritma terdapat bermacam jenis operasi: Operasi baca/tulis Operasi aritmetika (+, -, *, /) Operasi pengisian nilai (assignment) Operasi pengakasesan elemen larik Operasi pemanggilan fungsi/prosedur dll Dalam praktek, kita hanya menghitung jumlah operasi khas (tipikal) yang mendasari suatu algoritma. Rinaldi M/IF2120 Matdis 10

11 Contoh operasi khas di dalam algoritma Algoritma pencarian di dalam larik Operasi khas: perbandingan elemen larik Algoritma pengurutan Operasi khas: perbandingan elemen, pertukaran elemen Algoritma penjumlahan 2 buah matriks Operasi khas: penjumlahan Algoritma perkalian 2 buah matriks Operasi khas: perkalian dan penjumlahan Rinaldi M/IF2120 Matdis 11

12 Contoh 1. Tinjau algoritma menghitung rerata sebuah larik (array). sum 0 for i 1 to n do sum sum + a[i] endfor rata_rata sum/n Operasi yang mendasar pada algoritma tersebut adalah operasi penjumlahan elemen-elemen a i (yaitu sum sum+a[i]) yang dilakukan sebanyak n kali. Kompleksitas waktu: T(n) = n. Rinaldi M/IF2120 Matdis 12

13 Contoh 2. Algoritma untuk mencari elemen terbesar di dalam sebuah larik (array) yang berukuran n elemen. procedure CariElemenTerbesar(input a 1, a 2,..., a n : integer, output maks : integer) { Mencari elemen terbesar dari sekumpulan elemen larik integer a 1, a 2,..., a n. Elemen terbesar akan disimpan di dalam maks. Masukan: a 1, a 2,..., a n Keluaran: maks (nilai terbesar) } Deklarasi k : integer Algoritma maks a 1 k 2 while k n do if a k > maks then maks a k endif i i+1 endwhile { k > n } Kompleksitas waktu algoritma dihitung berdasarkan jumlah operasi perbandingan elemen larik (A[i] > maks). Kompleksitas waktu CariElemenTerbesar : T(n) = n 1. Rinaldi M/IF2120 Matdis 13

14 Kompleksitas waktu dibedakan atas tiga macam : 1. T max (n) : kompleksitas waktu untuk kasus terburuk (worst case), kebutuhan waktu maksimum. 2. T min (n) : kompleksitas waktu untuk kasus terbaik (best case), kebutuhan waktu minimum. 3. T avg (n): kompleksitas waktu untuk kasus rata-rata (average case) kebutuhan waktu secara rata-rata Rinaldi M/IF2120 Matdis 14

15 Contoh 3. Algoritma sequential search. procedure PencarianBeruntun(input a 1, a 2,..., a n : integer, x : integer, output idx : integer) Deklarasi k : integer ketemu : boolean { bernilai true jika x ditemukan atau false jika x tidak ditemukan } Algoritma: k 1 ketemu false while (k n) and (not ketemu) do if a k = x then ketemu true else k k + 1 endif endwhile { k > n or ketemu } if ketemu then { x ditemukan } idx k else idx 0 { x tidak ditemukan } endif Rinaldi M/IF2120 Matdis 15

16 Jumlah operasi perbandingan elemen tabel: 1. Kasus terbaik: ini terjadi bila a 1 = x. T min (n) = 1 2. Kasus terburuk: bila a n = x atau x tidak ditemukan. T max (n) = n 3. Kasus rata-rata: Jika x ditemukan pada posisi ke-j, maka operasi perbandingan (a k = x)akan dieksekusi sebanyak j kali. 1 n(1 n) ( n) ( 1) T avg (n) = 2 n n n 2 Rinaldi M/IF2120 Matdis 16

17 Rinaldi M/IF2120 Matdis 17 Cara lain: asumsikan bahwa P(a j = x) = 1/n. Jika a j = x maka T j yang dibutuhkan adalah T j = j. Jumlah perbandingan elemen larik rata-rata: T avg (n) = n j j n j j n j j T n n T X j A P T ) ] [ ( = n j j n 1 1 = 2 1 ) 2 1) ( ( 1 n n n n

18 Contoh 4. Algoritma pencarian biner (bynary search). procedure PencarianBiner(input a 1, a 2,..., a n : integer, x : integer, output idx : integer) Deklarasi i, j, mid : integer ketemu : boolean Algoritma i 1 j n ketemu false while (not ketemu) and ( i j) do mid (i+j) div 2 if a mid = x then ketemu true else if a mid < x then { cari di belahan kanan } i mid + 1 else { cari di belahan kiri } j mid - 1; endif endif endwhile {ketemu or i > j } if ketemu then idx mid else idx 0 endif Rinaldi M/IF2120 Matdis 18

19 1. Kasus terbaik T min (n) = 1 2. Kasus terburuk: T max (n) = 2 log n + 1 Rinaldi M/IF2120 Matdis 19

20 Contoh 5. Algoritma pengurutan seleksi (selection sort). procedure Urut(input/output a 1, a 2,..., a n : integer) Deklarasi i, j, imaks, temp : integer Algoritma for i n downto 2 do { pass sebanyak n 1 kali } imaks 1 for j 2 to i do if a j > a imaks then imaks j endif endfor { pertukarkan a imaks dengan a i } temp a i a i a imaks a imaks temp endfor Rinaldi M/IF2120 Matdis 20

21 (i) Jumlah operasi perbandingan elemen Untuk setiap pass ke-i, i = n jumlah perbandingan = n 1 i = n 1 jumlah perbandingan = n 2 i = n 2 jumlah perbandingan = n 3 i = 2 jumlah perbandingan = 1 Jumlah seluruh operasi perbandingan elemen-elemen larik adalah T(n) = (n 1) + (n 2) = i n 1 n k n( n 1) 1 2 Ini adalah kompleksitas waktu untuk kasus terbaik dan terburuk, karena algoritma Urut tidak bergantung pada batasan apakah data masukannya sudah terurut atau acak. Rinaldi M/IF2120 Matdis 21

22 (ii) Jumlah operasi pertukaran Untuk setiap i dari 1 sampai n 1, terjadi satu kali pertukaran elemen, sehingga jumlah operasi pertukaran seluruhnya adalah T(n) = n 1. Jadi, algoritma pengurutan seleksi membutuhkan n(n 1 )/2 buah operasi perbandingan elemen dan n 1 buah operasi pertukaran. Rinaldi M/IF2120 Matdis 22

23 Latihan Contoh 6. Hitung kompleksitas waktu algoritma berikut berdasarkan jumlah operasi kali. procedure Kali(input x:integer, n:integer, output jumlah : integer) {Mengalikan x dengan i = 1, 2,, j, yang dalam hal ini j = n, n/2, n/4,,1 Masukan: x dan n (n adalah perpangakatan dua). Keluaran: hasil perkalian (disimpan di dalam peubah jumlah). } Deklarasi i, j, k : integer Algoritma j n while j 1 do for i 1 to j do x x * i endfor j d div 2 endwhile { j > 1 } jumlah x Rinaldi M/IF2120 Matdis 23

24 Untuk Jawaban j = n, jumlah operasi perkalian = n j = n/2, jumlah operasi perkalian = n/2 j = n/4, jumlah operasi perkalian = n/4 j = 1, jumlah operasi perkalian = 1 Jumlah operasi perkalian seluruhnya adalah = n + n/2 + n/ deret geometri 2 log n 1 n(1 2 ) = 2( n 1) Rinaldi M/IF2120 Matdis 24

25 Kompleksitas Waktu Asimptotik Tinjau T(n) = 2n 2 + 6n + 1 Perbandingan pertumbuhan T(n) dengan n 2 n T(n) = 2n 2 + 6n + 1 n Untuk n yang besar, pertumbuhan T(n) sebanding dengan n 2. Pada kasus ini, T(n) tumbuh seperti n 2 tumbuh. T(n) tumbuh seperti n 2 tumbuh saat n bertambah. Kita katakan bahwa T(n) berorde n 2 dan kita tuliskan T(n) = O(n 2 ) Rinaldi M/IF2120 Matdis 25

26 Notasi O disebut notasi O-Besar (Big-O) yang merupakan notasi kompleksitas waktu asimptotik. DEFINISI. T(n) = O(f(n)) (dibaca T(n) adalah O(f(n) yang artinya T(n) berorde paling besar f(n) ) bila terdapat konstanta C dan n 0 sedemikian sehingga untuk n n 0. T(n) C(f (n)) f(n) adalah batas lebih atas (upper bound) dari T(n) untuk n yang besar. Rinaldi M/IF2120 Matdis 26

27 Cf(n) T(n) n 0 n Rinaldi M/IF2120 Matdis 27

28 Contoh 7. Tunjukkan bahwa T(n) = 2n 2 + 6n + 1 = O(n 2 ). Penyelesaian: 2n 2 + 6n + 1 = O(n 2 ) karena 2n 2 + 6n + 1 2n 2 + 6n 2 + n 2 = 9n 2 untuk semua n 1 (C =9 dan n 0 = 1). atau karena 2n 2 + 6n + 1 n 2 + n 2 + n 2 = 3n 2 untuk semua n 6 (C =3 dan n 0 = 6). Rinaldi M/IF2120 Matdis 28

29 Contoh 8. Tunjukkan bahwa T(n) = 3n + 2 = O(n). Penyelesaian: 3n + 2 = O(n) karena 3n + 2 3n + 2n = 5n untuk semua n 1 (C = 5 dan n 0 = 1). Rinaldi M/IF2120 Matdis 29

30 Contoh-contoh Lain 1. Tunjukkan bahwa T(n) = 5 = O(1). Penyelesaian: 5 = O(1) karena untuk n 1. (C = 6 dan n 0 = 1) Kita juga dapat memperlihatkan bahwa 5 = O(1) karena untuk n 1 Rinaldi M/IF2120 Matdis 30

31 2. Tunjukkan bahwa kompleksitas waktu algoritma pengurutan seleksi (selection sort) adalah T(n) = n(n 1)/2 =O (n 2 ). Penyelesaian: n(n 1)/2 =O (n 2 ) karena n(n 1)/2 n 2 /2 + n 2 /2 = n 2 untuk semua n 1 (C = 1 dan n 0 = 1). Rinaldi M/IF2120 Matdis 31

32 3. Tunjukkan T(n) = 6*2 n + 2n 2 = O(2 n ) Penyelesaian: 6*2 n + 2n 2 = O(2 n ) karena 6*2 n + 2n 2 6*2 n + 2*2 n = 8*2 n untuk semua n 1 (C = 8 dan n 0 = 1). Rinaldi M/IF2120 Matdis 32

33 4. Tunjukkan T(n) = n = O(n 2 ) Penyelesaian: n n + n + + n = n 2 untuk n 1 5. Tunjukkan T(n) = n! = O(n n ) Penyelesaian: n! = n n. n.. n =n n untuk n 1 Rinaldi M/IF2120 Matdis 33

34 Teorema: Bila T(n) = a m n m + a m-1 n m a 1 n+ a 0 adalah polinom derajat m maka T(n) = O(n m ). Jadi, cukup melihat suku (term) yang mempunyai pangkat terbesar. Contoh: T(n) = 5 = 5n 0 = O(n 0 ) = O(1) T(n) = n(n 1)/2 = n 2 /2 n/2 = O(n 2 ) T(n) = 3n 3 + 2n = O(n 3 ) Rinaldi M/IF2120 Matdis 34

35 Teorema tersebut digeneralisasi untuk suku dominan lainnya: 1. Eksponensial mendominasi sembarang perpangkatan (yaitu, y n > n p, y > 1) 2. Perpangkatan mendominasi ln n (yaitu n p > ln n) 3. Semua logaritma tumbuh pada laju yang sama (yaitu a log(n) = b log(n) 4. n log n tumbuh lebih cepat daripada n tetapi lebih lambat daripada n 2 Contoh: T(n) = 2 n + 2n 2 = O(2 n ). T(n) = 2n log(n) + 3n = O(n log(n)) T(n) = log(n 3 ) = 3 log(n) = O(log(n)) T(n) = 2n log(n) + 3n 2 = O(n 2 ) Rinaldi M/IF2120 Matdis 35

36 Perhatikan.(1) Tunjukkan bahwa T(n) = 5n 2 = O(n 3 ), tetapi T(n) = n 3 O(n 2 ). Penyelesaian: 5n 2 = O(n 3 ) karena 5n 2 n 3 untuk semua n 5. Tetapi, T(n) = n 3 O(n 2 ) karena tidak ada konstanta C dan n 0 sedemikian sehingga n 3 Cn 2 n C untuk semua n 0 karena n dapat berupa sembarang bilangan yang besar. Rinaldi M/IF2120 Matdis 36

37 Perhatikan (2) Defenisi: T(n) = O(f(n) jika terdapat C dan n 0 sedemikian sehingga T(n) C.f(n) untuk n n 0 tidak menyiratkan seberapa atas fungsi f itu. Jadi, menyatakan bahwa T(n) = 2n 2 = O(n 2 ) benar T(n) = 2n 2 = O(n 3 ) juga benar T(n) = 2n 2 = O(n 4 ) juga benar Namun, untuk alasan praktis kita memilih fungsi yang sekecil mungkin agar O(f(n)) memiliki makna Jadi, kita menulis 2n 2 = O(n 2 ), bukan O(n 3 ) atau O(n 4 ) Rinaldi M/IF2120 Matdis 37

38 TEOREMA. Misalkan T 1 (n) = O(f(n)) dan T 2 (n) = O(g(n)), maka (a) T 1 (n) + T 2 (n) = O(f(n)) + O(g(n)) = O(max(f(n), g(n)) (b) T 1 (n)t 2 (n) = O(f(n))O(g(n)) = O(f(n)g(n)) (c) O(cf(n)) = O(f(n)), c adalah konstanta (d) f(n) = O(f(n)) Contoh 9. Misalkan T 1 (n) = O(n) dan T 2 (n) = O(n 2 ), maka (a) T 1 (n) + T 2 (n) = O(max(n, n 2 )) = O(n 2 ) (b) T 1 (n)t 2 (n) = O(n.n 2 ) = O(n 3 ) Contoh 10. O(5n 2 ) = O(n 2 ) n 2 = O(n 2 ) Rinaldi M/IF2120 Matdis 38

39 Pengelompokan Algoritma Berdasarkan Notasi O-Besar Kelompok Algoritma Nama O(1) konstan O(log n) logaritmik O(n) lanjar O(n log n) n log n O(n 2 ) kuadratik O(n 3 ) kubik O(2 n ) eksponensial O(n!) faktorial Urutan spektrum kompleksitas waktu algoritma adalah : O(1) O(log n) O( n) O( n log n) O( n ) O( n )... O( 2 n ) O( n!) 2 3 algoritma polinomial algoritma eksponensial Rinaldi M/IF2120 Matdis 39

40 Penjelasan masing-masing kelompok algoritma adalah sebagai berikut: O(1) Kompleksitas O(1) berarti waktu pelaksanaan algoritma adalah tetap, tidak bergantung pada ukuran masukan. Contohnya prosedur tukar di bawah ini: procedure tukar(var a:integer; var b:integer); var temp:integer; begin temp:=a; a:=b; b:=temp; end; Di sini jumlah operasi penugasan (assignment) ada tiga buah dan tiap operasi dilakukan satu kali. Jadi, T(n) = 3 = O(1). Rinaldi M/IF2120 Matdis 40

41 O(log n) Kompleksitas waktu logaritmik berarti laju pertumbuhan waktunya berjalan lebih lambat daripada pertumbuhan n. Algoritma yang termasuk kelompok ini adalah algoritma yang memecahkan persoalan besar dengan mentransformasikannya menjadi beberapa persoalan yang lebih kecil yang berukuran sama (misalnya algoritma pencarian_biner). Di sini basis algoritma tidak terlalu penting sebab bila n dinaikkan dua kali semula, misalnya, log n meningkat sebesar sejumlah tetapan. Rinaldi M/IF2120 Matdis 41

42 O(n) Algoritma yang waktu pelaksanaannya lanjar umumnya terdapat pada kasus yang setiap elemen masukannya dikenai proses yang sama, misalnya algoritma pencarian_beruntun. Bila n dijadikan dua kali semula, maka waktu pelaksanaan algoritma juga dua kali semula. Rinaldi M/IF2120 Matdis 42

43 O(n log n) Waktu pelaksanaan yang n log n terdapat pada algoritma yang memecahkan persoalan menjadi beberapa persoalan yang lebih kecil, menyelesaikan tiap persoalan secara independen, dan menggabung solusi masingmasing persoalan. Algoritma yang diselesaikan dengan teknik bagi dan gabung mempunyai kompleksitas asimptotik jenis ini. Bila n = 1000, maka n log n mungkin Bila n dijadikan dua kali semual, maka n log n menjadi dua kali semula (tetapi tidak terlalu banyak) Rinaldi M/IF2120 Matdis 43

44 O(n 2 ) Algoritma yang waktu pelaksanaannya kuadratik hanya praktis digunakan untuk persoalana yang berukuran kecil. Umumnya algoritma yang termasuk kelompok ini memproses setiap masukan dalam dua buah kalang bersarang, misalnya pada algoritma urut_maks. Bila n = 1000, maka waktu pelaksanaan algoritma adalah Bila n dinaikkan menjadi dua kali semula, maka waktu pelaksanaan algoritma meningkat menjadi empat kali semula. Rinaldi M/IF2120 Matdis 44

45 O(n 3 ) Seperti halnya algoritma kuadratik, algoritma kubik memproses setiap masukan dalam tiga buah kalang bersarang, misalnya algoritma perkalian matriks. Bila n = 100, maka waktu pelaksanaan algoritma adalah Bila n dinaikkan menjadi dua kali semula, waktu pelaksanan algoritma meningkat menjadi delapan kali semula. Rinaldi M/IF2120 Matdis 45

46 O(2 n ) Algoritma yang tergolong kelompok ini mencari solusi persoalan secara "brute force", misalnya pada algoritma mencari sirkuit Hamilton (lihat Bab 9). Bila n = 20, waktu pelaksanaan algoritma adalah Bila n dijadikan dua kali semula, waktu pelaksanaan menjadi kuadrat kali semula! Rinaldi M/IF2120 Matdis 46

47 O(n!) Seperti halnya pada algoritma eksponensial, algoritma jenis ini memproses setiap masukan dan menghubungkannya dengan n - 1 masukan lainnya, misalnya algoritma Persoalan Pedagang Keliling (Travelling Salesperson Problem - lihat bab 9). Bila n = 5, maka waktu pelaksanaan algoritma adalah 120. Bila n dijadikan dua kali semula, maka waktu pelaksanaan algoritma menjadi faktorial dari 2n. Rinaldi M/IF2120 Matdis 47

48 Nilai masing-masing fungsi untuk setiap bermacam-macam nilai n log n n n log n n 2 n 3 2 n n! (terlalu besar ) Rinaldi M/IF2120 Matdis 48

49 Rinaldi M/IF2120 Matdis 49

50 Kegunaan Notasi Big-Oh Notasi Big-Oh berguna untuk membandingkan beberapa algoritma dari untuk persoalan yang sama menentukan yang terbaik. Contoh: masalah pengurutan memiliki banyak algoritma penyelesaian, Selection sort, insertion sort T(n) = O(n 2 ) Quicksort T(n) = O(n log n) Karena n log n < n 2 untuk n yang besar, maka algoritma quicksort lebih cepat (lebih baik, lebih mangkus) daripada algoritma selection sort dan insertion sort. Rinaldi M/IF2120 Matdis 50

51 Rinaldi M/IF2120 Matdis 51

52 Notasi Omega-Besar dan Tetha-Besar Definisi -Besar adalah: T(n) = (g(n)) (dibaca T(n) adalah Omega (g(n) yang artinya T(n) berorde paling kecil g(n) ) bila terdapat tetapan C dan n 0 sedemikian sehingga untuk n n 0. Definisi -Besar, T(n) C g(n) T(n) = (h(n)) (dibaca T(n) adalah tetha h(n) yang artinya T(n) berorde sama dengan h(n) jika T(n) = O(h(n)) dan T(n) = (h(n)). Rinaldi M/IF2120 Matdis 52

53 Contoh: Tentukan notasi dan untuk T(n) = 2n 2 + 6n + 1. Jawab: Karena 2n 2 + 6n + 1 2n 2 untuk n 1, maka dengan C = 2 kita memperoleh 2n 2 + 6n + 1 = (n 2 ) Karena 2n 2 + 5n + 1 = O(n 2 ) dan 2n 2 + 6n + 1 = (n 2 ), maka 2n 2 + 6n + 1 = (n 2 ). Rinaldi M/IF2120 Matdis 53

54 Contoh: Tentukan notasi notasi O, dan untuk T(n) = 5n 3 + 6n 2 log n. Jawab: Karena 0 6n 2 log n 6n 3, maka 5n 3 + 6n 2 log n 11n 3 untuk n 1. Dengan mengambil C = 11, maka 5n 3 + 6n 2 log n = O(n 3 ) Karena 5n 3 + 6n 2 log n 5n 3 untuk n 1, maka maka dengan mengambil C = 5 kita memperoleh 5n 3 + 6n 2 log n = (n 3 ) Karena 5n 3 + 6n 2 log n = O(n 3 ) dan 5n 3 + 6n 2 log n = (n 3 ), maka 5n 3 + 6n 2 log n = (n 3 ) Rinaldi M/IF2120 Matdis 54

55 Contoh: Tentukan notasi notasi O, dan untuk T(n) = n. Jawab: n = O(n 2 ) karena n n + n + + n = n 2 untuk n n = (n) karena n = n untuk n n n/2 + + (n 1) + n n/2 + + n/2 + n/2 = (n + 1)/2 n/2 (n/2)(n/2) = n 2 /4 Kita menyimpulkan bahwa n = (n 2 ) Oleh karena itu, n = (n 2 ) Rinaldi M/IF2120 Matdis 55

56 Latihan Tentukan kompleksitas waktu dari algoritma dibawah ini jika melihat banyaknya operasi a a+1 for i 1 to n do for j 1 to i do for k j to n do a a + 1 endfor endfor endfor Tentukan pula nilai O-besar, Ω-besar, dan Θ-besar dari algoritma diatas (harus penjelasan) Rinaldi M/IF2120 Matdis 56

57 Jawaban Untuk i = 1, Untuk j = 1, jumlah perhitungan = n kali Untuk i = 2, Untuk j = 1, jumlah perhitungan = n kali Untuk j = 2, jumlah perhitungan = n 1 kali... Untuk i = n, Untuk j = 1, jumlah perhitungan = n kali Untuk j = 2, jumlah perhitungan = n 1 kali... Untuk j = n, jumlah perhitungan = 1 kali. Jadi jumlah perhitungan = T(n) = n 2 + (n 1) 2 + (n 2) Rinaldi M/IF2120 Matdis 57

58 T(n) = O(n 3 ) = Ω(n 3 ) = Θ(n 3 ). Salah satu cara penjelasan: T(n) = n 2 + (n 1) 2 + (n 2) = n(n + 1)(2n + 1)/6 = 2n 3 + 3n Diperoleh T(n) 3n 3 untuk n 4 dan T(n) 2n 3 untuk n 1. Rinaldi M/IF2120 Matdis 58

59 TEOREMA. Bila T(n) = a m n m + a m-1 n m a 1 n+ a 0 adalah polinom derajat m maka T(n) adalah berorde n m. Rinaldi M/IF2120 Matdis 59

60 Latihan Soal Di bawah ini adalah algoritma (dalam notasi Pascal-like) untuk menguji apakah dua buah matriks, A dan B, yang masing-masing berukuran n n, sama. function samamatriks(a, B : matriks; n : integer) boolean { true jika A dan B sama; sebaliknya false jika A B } Deklarasi i, j : integer Algoritma: for i 1 to n do for j 1 to n do if A i,j B i,j then return false endif endfor endfor return true (a) Apa kasus terbaik dan terburuk untuk algoritma di atas? (b) Tentukan kompleksitas waktu terbaik dan terburuk dalam notasi O. Rinaldi M/IF2120 Matdis 60

61 2. Berapa kali instruksi assignment pada potongan program dalam notas Bahasa Pascal di bawah ini dieksekusi? Tentukan juga notasi O-besar. for i := 1 to n do for j := 1 to n do for k := 1 to j do x := x + 1; Jawaban: T(n) = n( n) = n(n(n+1)/2)= (n 3 + n 2 )/2 = O(n 3 ) Rinaldi M/IF2120 Matdis 61

62 3. Untuk soal (a) dan (b) berikut, tentukan C, f (n), n 0, dan notasi O-besar sedemikian sehingga T(n) = O(f(n)) jika T(n) C f(n) untuk semua n n 0 : (a) T(n) = n (b) T(n) = (n + 1)(n + 3)/(n + 2) Jawaban: (a) n = 2( n) 2(n + n + n + + n) untuk n 1 = 2n 2 = O(n 2 ) (b) (n + 1)(n + 3)/(n + 2) =(n 2 + 4n + 3)/(n + 2) 8n untuk n 1 = O(n) Rinaldi M/IF2120 Matdis 62

63 4. Algoritma di bawah ini menghitung nilai polinom: p(x) = a 0 + a 1 x + a 2 x a n x n function p(input x:real) real { Mengembalikan nilai p(x)} Deklarasi j, k : integer jumlah, suku : real Algoritma jumlah a 0 for j 1 to n do { hitung a j x j } suku a j for k 1 to j do suku suku * x endfor jumlah jumlah + suku endfor return jumlah Hitunglah berapa operasi perkalian dan berapa operasi penjumlahan yang dilakukan oleh algoritma di atas? Jumlahkan kedua hitungan tersebut, lalu tentukan juga kompleksitas waktu asimptotik algoritma tersebut dalam notasi O-Besar. Rinaldi M/IF2120 Matdis 63

64 Jawab: Operasi penjumlahan: n kali (loop for j 1 to n) Operasi perkalian: n = n(n +1)/2 Operasi penjumlahan + operasi perkalian = n + n(n+1)/2 = O(n 2 ) Rinaldi M/IF2120 Matdis 64

65 Algoritma mengevaluasi polinom yang lebih baik dapat dibuat dengan metode Horner berikut: p(x) = a 0 + x(a 1 + x(a 2 + x(a x(a n-1 + a n x))) )) function p2(input x:real) real { Mengembalikan nilai p(x) dengan metode Horner} Deklarasi k : integer b 1, b 2,..., b n : real Algoritma b n a n for k n-1 downto 0 do b k a k + b k+1 * x endfor return b 0 Hitunglah berapa operasi perkalian dan berapa operasi penjumlahan yang dilakukan oleh algoritma di atas? Jumlahkan kedua hitungan tersebut, lalu tentukan juga kompleksitas waktu asimptotik algoritma tersebut dalam notasi O-Besar. Manakah yang terbaik, algoritma p atau p2? Rinaldi M/IF2120 Matdis 65

66 Jawab: Operasi penjumlahan: n kali (loop for k n-1 downto 0) Operasi perkalian: n kali Operasi penjumlahan + operasi perkalian = n + n = 2n = O(n) Karena O(n) < O(n 2 ), maka algoritma yang terbaik adalah p2 Rinaldi M/IF2120 Matdis 66